大数据语言模型与程序化叙事生成(下) 聊聊出现在2018年之后的基于深度神经网络预训练语言模型的故事生成技术。由于内容篇幅较长,分成上、下两个部分,下篇介绍语言模型生成叙事在实际应用中会遇到的问题以及与传统技术的比较。掺杂了一些个人观点。
大数据语言模型与程序化叙事生成(上) 聊聊出现在2018年之后的基于深度神经网络预训练语言模型的故事生成技术。由于内容篇幅较长,会分成上、下两个部分,本篇先跟大家介绍语言模型的基本原理和在写作上的表现。
计算创意学系列(完结篇):科学家阻止不了工程师们举起魔杖 2021年初开始的这个计算创意学系列,终于要在一年后的今天走到尾声。感谢大家跟我一起走到这里。今后如果了解到计算创意学这个领域有意思的新成果,我会继续以这个系列的番外篇的形式继续分享给大家。
计算创意学系列(六):共同创造力(Co-creativity) 欢迎来到计算创意学系列第六章。在前面两章中,我们讨论了在脱离人这个主体的情况下,什么样的算法可以被界定为是具有创造力的问题。在第五章的最后,我们发现,创造力三脚架中的三个要素,不一定是要由同一个主体来提供的。这个时候,创造力的主体就不再是一个人类或者一个算法,而是多个人类、多个算法、或者人类和算法共同组成的系统。我们将这样的创造力称为共同创造力(Co-creativity)。 这一章,我们就来讨论共同创造力(Co-creativity)的概念。
计算创意学系列(五):创作过程与创造力 欢迎来到计算创意学系列第五章,在上一章中,我们提出了如何以与底层机理无关的标准去评判一个系统是不是具有创造力的问题,从“能够产生有价值的新事物”这个简单的认识出发,探讨了如何评估一个创造力系统的价值和新颖性。 除了对算法输出有要求,一个算法要被称作是“有创造力的”,似乎算法本身还需要具有一些其他的特性。 这一章,我们就来看看,创作过程的什么特性被认为是具有创造力的,这些特性又如何能够在算法中实现。
计算创意学系列(四):价值和新颖性的评估 现有的创造力理论从人类的创造力行为出发,试图描述人类创造力现象的机理。因此基于这些理论设计出的算法,也更像是对人类创造力行为的一种模仿。 但如果我们不想去限制一个算法产生有创意作品的机理,允许它们用任意与人类创造力机理不同的方式表现出创造力行为,该用怎样的与底层机理无关的标准去评判一个系统是不是具有创造力呢? 这一章,我们从“能够产生有价值的新事物”这个对人工创造力系统最基本的要求出发,聊聊如何评估一个创造力系统的价值和新颖性。
计算创意学系列(三):组合性创造力的计算实现 在前两章的讨论中,我们介绍了在玛格丽特·博登(Margaret Ann Boden)的著作《创造力心智(The Creative Mind: Myths and mechanisms)》中三种类型的创造力: 探索性创造力(Exploratory Creativity),转型性创造力(Transformational Creativity)和组合性创造力(Combinatorial Creativity)。 上一章我们讨论了概念整合理论,用以解释组合性创造力。 概念整合理论迄今为止已经有许多算法化的尝试,这一章我们就来简单考察一下这些尝试。